AI芯片股暴跌：市场情绪与基本面之间的背离

从原理上讲，SK Hynix业绩不及预期引发的亚洲芯片股抛售，本质上是资本市场对AI算力需求增速的一次重新定价，而非对AI技术长期价值的根本质疑。当前市场反应更多受短期心理预期波动影响，与基础模型训练所需的实际算力增长曲线存在结构性错位。

一、业绩波动的技术解释：从单点产能到系统瓶颈

需要先理解SK Hynix的业绩信号。HBM（高带宽内存）是当前大模型训练的核心瓶颈之一——以NVIDIA H100 GPU为例，其内存带宽需求已接近4TB/s，而单个HBM3模块的带宽约819GB/s，单一GPU需配置6-8个HBM模块。SK Hynix作为HBM市场的主要供应商，其产能利用率直接反映AI训练需求的实时健康度。

从实验设计角度看，分析业绩不及预期应区分三个层次：

• 短期产能扰动：SK Hynix在2025年Q4遭遇的良率波动，导致部分HBM3E订单交付延迟。这属于制造工艺爬坡阶段的正常现象，但被市场放大为需求萎缩信号。
• 库存周期调整：下游客户（如NVIDIA、AMD）在2025年上半年大规模囤货后，进入库存去化阶段。类似现象在2022年GPU短缺时出现过，本质是供应链的“牛尾效应”。
• 资本开支前置：三星、美光等竞争对手的HBM扩产计划，使得市场担忧产能过剩。但根据TSMC的CoWoS封装产能数据，2026年Q1先进封装产能仍处于满载状态，说明真实需求尚未见顶。

# 简化算力需求模型：假设大模型参数量每18个月翻倍
def compute_flops_growth(param_growth_rate=2.0, months=18):
    flops_needed = 1e21  # 当前GPT-4级别训练算力
    for cycle in range(3):  # 预测未来4.5年
        flops_needed *= param_growth_rate
        print(f"Cycle {cycle+1}: {flops_needed:.2e} FLOPs")
    return flops_needed
# 输出：2e21, 4e21, 8e21 —— 每18个月算力需求翻倍

该模型忽略算法效率提升，但足以说明：即使考虑摩尔定律放缓，AI算力需求的长期复合增长率仍维持在40%以上，远高于当前半导体产能扩张速度（约15%年增长）。

二、市场抛售的认知偏差：技术泡沫与学术泡沫的类比

需要引入一个概念：技术成熟度曲线（Gartner Hype Cycle）与学术研究中的“论文泡沫”具有相似性。当某一领域（如Transformer）在学术界引发海量follow-up工作时，论文发表数量会指数增长，但真正具有突破性的工作比例下降。当前AI芯片市场的股价波动，正是这种“注意力泡沫”在资本市场的映射。

从方法论文献看，2019年《Nature》发表的“AI芯片十年回顾”指出，每一轮AI芯片投资热潮都伴随2-3次20%以上的回调，但长期趋势不受影响。2025年ICML上有一篇关于“AI基础设施投资回报率”的实证分析（Liu et al., 2025）显示，训练大模型的数据中心投资回收期约为3-4年，而当前市场定价隐含的回收期仅为1.5年，说明市场对短期回报过于乐观，但对长期价值仍低估。

三、对计算机视觉领域的直接影响：算法创新对冲硬件波动

作为从事计算机视觉的研究者，我观察到两个关键信号：

• 视觉基础模型（如ViT、SAM）的算力需求虽然低于大语言模型，但其数据标注成本占总预算比例更高。硬件价格下跌会降低实验室门槛，反而可能加速视觉模型的创新。例如，2025年CVPR最佳论文奖得主团队曾表示，其工作得益于GPU租赁成本下降40%。
• 边缘AI（如自动驾驶、机器人视觉）对芯片的依赖更偏向成熟制程（28nm-7nm），而非先进内存。SK Hynix的HBM波动主要影响云端训练，对视觉推理部署的冲击有限。

列出当前计算机视觉领域可采用的对冲策略：

1. 算法层面：采用稀疏训练、量化感知训练（QAT）等减少显存占用的方法，参考2024年NeurIPS的“LiteViT”工作。
2. 硬件层面：关注RISC-V架构在视觉加速

原文链接：Shares in Asian chip firms plunge further as AI sell-off continues | Stock markets | The Guardian